| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 研究目的和意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.3 文章内容及章节安排 | 第12-14页 |
| 第二章 交通标识检测与识别算法研究 | 第14-21页 |
| 2.1 交通标识概述 | 第14-16页 |
| 2.2 交通标识检测识别流程 | 第16页 |
| 2.3 交通标识检测 | 第16-19页 |
| 2.4 交通标识识别 | 第19-20页 |
| 2.5 本章小结 | 第20-21页 |
| 第三章 基于卷积神经网络的交通标识检测与识别 | 第21-34页 |
| 3.1 卷积神经网络 | 第21-24页 |
| 3.1.1 概述 | 第21-22页 |
| 3.1.2 卷积神经网络的结构 | 第22页 |
| 3.1.3 卷积神经网络的训练过程 | 第22-24页 |
| 3.2 卷积神经网络训练数据集 | 第24-26页 |
| 3.2.1 GTSDB | 第24-25页 |
| 3.2.2 GTSRB | 第25-26页 |
| 3.3 基于卷积神经网络的交通标识检测 | 第26-29页 |
| 3.3.1 卷积神经网络 | 第26-27页 |
| 3.3.2 网络训练 | 第27-28页 |
| 3.3.3 HOG-SVM提取及识别ROIs | 第28-29页 |
| 3.4 基于二级卷积神经网络的交通标识识别 | 第29-33页 |
| 3.4.1 二级卷积神经网络 | 第30-31页 |
| 3.4.2 网络训练 | 第31-32页 |
| 3.4.3 交通标识分类 | 第32-33页 |
| 3.5 本章小结 | 第33-34页 |
| 第四章 基于强度和维数特征的交通标识点云提取 | 第34-45页 |
| 4.1 激光点云与影像配准 | 第34-37页 |
| 4.2 交通标识点云提取 | 第37-38页 |
| 4.3 基于强度滤波的粗提取 | 第38-40页 |
| 4.3.1 点云强度滤波 | 第38-39页 |
| 4.3.2 欧式距离聚类 | 第39页 |
| 4.3.3 ROI筛选 | 第39-40页 |
| 4.4 基于维数特征的交通标识检测 | 第40-44页 |
| 4.4.1 PCA方法 | 第40-42页 |
| 4.4.2 区域生长聚类 | 第42页 |
| 4.4.3 维数特征分析 | 第42-44页 |
| 4.5 本章小结 | 第44-45页 |
| 第五章 融合点云与影像的交通标识语义化方法 | 第45-52页 |
| 5.1 算法基本流程 | 第45-46页 |
| 5.2 KITTI数据集 | 第46-47页 |
| 5.3 实验与分析 | 第47-51页 |
| 5.3.1 基于影像交通标识识别与检测结果与分析 | 第48-50页 |
| 5.3.2 融合点云与影像的交通标识语义化结果与分析 | 第50-51页 |
| 5.4 本章小结 | 第51-52页 |
| 第六章 结论 | 第52-53页 |
| 参考文献 | 第53-58页 |
| 攻读硕士学位期间研究成果 | 第58-59页 |
| 致谢 | 第59-60页 |